| 摘要 | 第1-3页 |
| ABSTRACT | 第3-5页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-17页 |
| ·课题的研究背景及意义 | 第8-9页 |
| ·机器学习的主要策略和发展概述 | 第9-12页 |
| ·基于神经网络的学习 | 第10页 |
| ·基于遗传算法的学习 | 第10-11页 |
| ·基于支持向量机的学习 | 第11-12页 |
| ·水质COD测量方法的现状 | 第12-15页 |
| ·化学方法测量水质COD及其不足 | 第12-13页 |
| ·基于紫外吸光度法的水质COD测量方法 | 第13-14页 |
| ·机器学习在水质COD分析上的应用现状 | 第14-15页 |
| ·本课题的主要研究内容和目标 | 第15-17页 |
| ·研究内容 | 第16页 |
| ·研究目标 | 第16-17页 |
| 第二章 实验原理、仪器及方法 | 第17-27页 |
| ·紫外吸光度法的基本测量原理 | 第17-18页 |
| ·实验仪器 | 第18-21页 |
| ·实验方法和步骤 | 第21-23页 |
| ·实验数据和结果分析 | 第23-27页 |
| 第三章 基于LM-BP神经网络模型研究与实验分析 | 第27-44页 |
| ·人工神经网络简介 | 第27-30页 |
| ·神经网络的训练模式 | 第30-36页 |
| ·BP神经网络演算方法 | 第30-34页 |
| ·LM-BP神经网络 | 第34-36页 |
| ·基于LM-BP神经网络的UV-COD相关性模型研究 | 第36-39页 |
| ·初始数据的处理 | 第36-37页 |
| ·网络层数和节点数的选择 | 第37-38页 |
| ·训练程度的控制 | 第38-39页 |
| ·实验数据及模型分析 | 第39-44页 |
| 第四章 基于支持向量机模型研究与实验分析 | 第44-59页 |
| ·支持向量机原理 | 第44-51页 |
| ·机器学习的基本结构和概念 | 第45-46页 |
| ·广义最优超平面 | 第46-47页 |
| ·Mercer核和Mercer定理 | 第47-48页 |
| ·线性支持向量机 | 第48-49页 |
| ·用于函数拟合的支持向量机 | 第49-51页 |
| ·支持向量机的特点 | 第51-52页 |
| ·基于支持向量机的UV-COD相关性模型研究 | 第52-55页 |
| ·初始数据的处理 | 第53页 |
| ·核函数的选择 | 第53页 |
| ·模型参数的选择 | 第53-55页 |
| ·实验数据及模型分析 | 第55-59页 |
| 第五章 紫外扫描式COD测量仪上位机系统软件设计 | 第59-79页 |
| ·上位机系统软件模块设计 | 第60-69页 |
| ·数据库操作模块 | 第60-62页 |
| ·数据通信模块 | 第62-64页 |
| ·数据查询模块 | 第64页 |
| ·数据校验模块 | 第64-66页 |
| ·数据分析模块 | 第66-69页 |
| ·上位机系统软件的实现 | 第69-79页 |
| ·系统主界面 | 第69-70页 |
| ·企业界面 | 第70-71页 |
| ·数据通信界面 | 第71-72页 |
| ·数据查询界面 | 第72-76页 |
| ·演算方法界面 | 第76-79页 |
| 第六章 结论与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 致谢 | 第84页 |